GPU加速戴口罩人臉識別.pdf

《GPU加速戴口罩人臉識別.pdf》由會員分享，可在線閱讀，更多相關《GPU加速戴口罩人臉識別.pdf（33頁珍藏版）》請在三個皮匠報告上搜索。

1、戴口罩人臉識別 海帆數據科技有限公司 創始人：王濤 分享目錄 1. 課題產生 實現目標 技術實力 2. 技術攻堅3.成果與實踐 問題整理 難點攻克 成果獲得 產品打造 案例落地 4.總結和展望 技術突破點 Nvidia產品優勢 未來展望 戴口罩人臉識別 課題產生 課題產生：期待目標 戴口罩也能人臉識別 20年初，新冠疫情持續，戴口罩是大家認可的減少傳染機會最有效的手段之一,一時間戴口罩成 了出行和出入公共場所的標準配置，傳統人臉識別場景遇到了前所未有的挑戰 產生如下新問題： 摘下口罩識別，易傳染，不安全 識別率低，通行不暢，更加劇了風險 摘口罩的不便，讓人臉識別失去了優勢 戴著口罩精準人臉識別

2、 逐步成為當前剛需 課題產生：我們的技術實力 公司成立于2018年，通過成熟的AI自研算法和大數據分析能力， 進行AI方案落地，針對傳統行業領域進行AI賦能，打造智慧解決方案。 公司成立2年來，在AI方面也取得了很多不俗的成績。我們在 2019年的斯坦福DAWNBench深度學習榜單的比賽中，一舉獲得第 五名的好成績。 2019年，海帆數據聯合京東AI為江寧民政打造了智慧養老銀發助 餐人臉識別私有云平臺，目前已經完成了近70個網點的部署 2020年，海帆在校園，商超，景區，案場，廠區等多個場景都實 現了AI落地。 南京海帆數據科技有限公司 戴口罩人臉識別 技術攻堅 技術攻堅：遭遇問題 第一階段

3、：識別精度打磨 1.難以快速采集戴口罩照片數據集問題 解決方法： 采用圖片裁剪法，生成特定區域的有效 人臉數據集（750萬張） 2.人臉特征值大幅度缺失問題 解決方法： 選擇了復雜度更高的神經網絡，從而能 夠提取更細節的特征 3.人臉關鍵點檢測模型誤差問題 解決方法： 重新標記數據，構建新的網絡算法 技術攻堅：遭遇問題（2） 第二階段：識別性能提升 1.云端GPU訓練算力不足問題 2.云端GPU推理延遲大吞吐量高問題 3.邊緣端GPU算法遷移推理性能問題 技術攻堅：難點攻克之一 優化算法 困難一：原有人臉特征點檢測難適用 測試發現原有的人臉關鍵點檢測模型(人臉矯正)，應用 于戴口罩人臉中存在誤差,導致人臉對齊效果很差，識 別精度低（只有50%左右），最終影響識別準確率。 解決：重新標注數據 重新標注10000張戴口罩人臉和5000張不帶口罩人臉 5個關鍵點(左眼，右眼，鼻子，左嘴角和右嘴角